随着多媒体技术的发展,各种电子设备逐渐进入到人们的日常生活当中。人们作为信息的接收终端,每天从海量的信息中获取自身所需要的内容。数字图像作为海量信息传播的重要媒介之一,已经深入到生活的各个角落中。而图像在采集、存储、传输和显示的过程中可能因为硬件或软件的差异,造成不同程度的噪声引入,从而使得用户获得感知的图像质量较差,难以满足用户的目标需求。如何设计高效的图像质量评价算法以实现对图像质量有效的评估,将算法应用到实际当中,是现有图像处理领域的亟待解决的问题之一。最为可靠有效的质量评价是人类主观评价,但由于现实情况中存在诸多的影响因素,如耗时费力、评价结果不稳定等,这些因素都一定程度上阻碍了人类主观质量评价在实际中的应用。本文通过探索图像质量评价领域现存问题的可能解决办法,着重关注于客观无参考图像质量评价方法研究。针对自然图像的质量评估,设计出高效鲁棒的客观无参考图像质量评价算法模型。本文的研究内容主要包含以下两个方面:(1)针对现有图像质量评价领域相关数据量匮乏的问题,提出有效的图像数据扩增方法。传统图像质量评价依赖于包含少量图像内容的图像数据库,图像空间的高纬性和有限图像测试的不确定性往往存在冲突,这种不平衡可能造成算法模型的偏差较大。因此,我们提出人工添加多种合成失真以扩充现有图像训练数据集的方法。通过引入合理全面的失真类型和不同失真水平,构建大规模可用的图像数据集,从而实现数量和内容上的图像数据扩增。同时,利用已有的图像质量评价算法生成失真图像数据集对应的质量分数作为数据标签,为后续的算法设计和模型构建等做好预先准备。(2)针对主观无关的图像质量评价的相关研究,提出简单高效的无参考图像质量评价方法。传统盲图像质量评价算法通过图像特征提取与图像主观分数进行模型的学习。然而,特征提取与模型预测两个过程并没有实现较好的有机结合。另外,现有基于数据驱动的盲图像质量评价方法利用计算机视觉领域的其他目标任务所学习到的网络作为基础模型进行参数调优,或者通过图像块分解和质量相关数据引入进行网络模型的训练,最后再用少量的主观数据进行模型微调。这些方法虽然取得了较好的实验结果,但模型较为复杂多变,且未能处理好全局质量与局部质量近似等问题。因此,我们结合深度学习,提出两种基于多标签学习的无参考图像质量评价方法,实现分数回归和排序学习在图像质量评价中的有效应用。实验结果表明,所提无参考图像质量评价方法能够有效地预测图像感知质量。本文的研究内容包括图像数据扩增、网络模型构建和质量分数预测等,深入探究了图像质量评价领域存在的问题,给出了不同的思考角度和有效解决问题的方案,提升了无参考图像质量评价算法的整体性能。本文的研究成果可以为无参考图像质量评价领域相关研究提供理论基础和技术指导,从而激发出新的想法和思路。